回归分析用于预测响应变量，其中普通最小二乘(OLS)回归是最常见方法。它涉及寻找最佳权重来预测因变量，包括简单线性、多项式和多元线性回归。在R中，使用lm()函数拟合模型。回归诊断是关键步骤，确保数据满足正态性、独立性、线性和同方差性等假设。
含义：用一个或多个预测变量（自变量/解释变量）预测响应变量（因变量/校标变量/结果变量）
回归分析的多种变体
| 回归类型 | 用途 |
|---|---|
| 简单线性 | 1个量化的解释变量预测一个量化的响应变量 |
| 多项式 | 1个量化的解释变量预测一个量化的响应变量，n阶多项式 |
| 多元线性 | 两个/多个量化的解释变量预测一个量化的响应变量 |
普通最小二乘（OLS）回归法
1. OLS回归
OLS回归：预测变量的加权和，来预测量化的因变量。权重：通过数据估计得到的参数
包含：
- 简单线性回归
一个因变量，一个自变量
- 多项式回归
一个预测变量，但同时包含变量的幂
- 多元线性回归
多个预测变量
流程：拟合OLS回归模型、评价拟合优度、检验假设条件、选择模型。
先验知识：最小二乘回归法
目标：通过减少响应变量的真实值与预测值的差值来获得模型参数（截距项和斜率），即残差平方和最小。
数据需满足：
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
